Confiance institutionnelle - France 2006 16
CB
27 octobre 2019
confiance
Cette étude est destinée à des cours de méthodes quantitatives pour la recherche en gestion en M2 et Séminaire doctoral. L’objectif pédagogique est d’entrainer les étudiants à l’analyse comparative et longitudinale. Manier les représentations graphiques (avec ggplot2), exploiter des Anovas pour tester les comparaisons entre groupes sociaux à travers le temps, construire des modèles de régressions pour établir les éffets des variables et leurs interactions éventuelles, les représenter habilement pour en extraire les enseignements.
L’objectif est d’analyser l’évolution de la confiance dans les institutions (parlement, justice, police, UE, ONU,politiques, partis) de 2006 à 2016 en France et d’examiner ses relations avec quelques variables clés : l’aisance matérielle, l’environnement de vie et l’orientation politique, ainsi que l’âge , mais pour cette dernière variable on laisse le soin aux étudiants de l’ajouter à l’étude.
la source de données est l’European Social Survey dont attend impatiemment la livraison 2018. C’est un panel bi annuel, sans répétition de mesure.Deux milles personnes sont interrogée à chaque vague.
Chargement des packages
Dans l’ordre de leur utilisation
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, error=FALSE)
library(haven)
library(tidyverse)## -- Attaching packages ------------------------------------------------------------------------------------- tidyverse 1.2.1 --## v ggplot2 3.2.1 v purrr 0.3.2
## v tibble 2.1.1 v dplyr 0.8.1
## v tidyr 0.8.3 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.4.0## -- Conflicts ---------------------------------------------------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(fishualize) #palette de couleur
library(knitr) # pour les jolis tableaux ci dessous mais c'est ce qui tricote ce carnet de recherche
library(kableExtra) # pour de jolis tableaux##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(sjstats) #calcul de taille des effets et puissance de test
library(gridExtra)##
## Attaching package: 'gridExtra'## The following object is masked from 'package:dplyr':
##
## combinelibrary(MASS)##
## Attaching package: 'MASS'## The following object is masked from 'package:dplyr':
##
## selectlibrary(mixtools)## mixtools package, version 1.1.0, Released 2017-03-10
## This package is based upon work supported by the National Science Foundation under Grant No. SES-0518772.library(AMR)
library(lme4)## Loading required package: Matrix##
## Attaching package: 'Matrix'## The following object is masked from 'package:tidyr':
##
## expandlibrary(jtools)Préparation des données
On commence par charger le fichier en sélectionnant les données pour la France sur les périodes 2006-2016 donc 6 points de comparaison. On filtre les répondants qui ont répondu à toutes les questions sélectionnées. On passe de 15600 répondants à environ 11 000.
df <- read_sav("ESS1-8e01.sav")
df<-subset(df, cntry=="FR" & essround>2)
df<-subset(df,select=c("trstun","trstep", "trstlgl","trstplc", "trstplt","trstprl","trstprt","essround", "lrscale","hincfel", "domicil", "cproddat" ))
df<-unique(df) # pour eliminer toutes les valeurs manquantesLa confiance dans les institutions
on va s’intéresser à la confiance et construire un indicateur qui est la somme des items réétalonnée de 1 à 100. On examinera dans une autre étude la structure de cette confiance. On trouvera des premiers éléments dans une étude précédentes.
#on renomme pour plus de clarte
names(df)[names(df)=="trstun"] <- "NationsUnies"
names(df)[names(df)=="trstep"] <- "ParlementEurop"
names(df)[names(df)=="trstlgl"] <- "Justice"
names(df)[names(df)=="trstplc"] <- "Police"
names(df)[names(df)=="trstplt"] <- "Politiques"
names(df)[names(df)=="trstprl"] <-"Parlement"
names(df)[names(df)=="trstprt"] <- "Partis"
#on construit le score
df<-df %>% mutate(trust_institution =1+(Partis+Parlement+Politiques+Police+Justice+NationsUnies+ParlementEurop)*10/7)on examine la distribution et sa normalité et on teste une autre fonction de distribution.
moy=mean(df$trust_institution, na.rm=TRUE)
sd=sd(df$trust_institution, na.rm=TRUE)
g01<-ggplot(df,aes(x=trust_institution))+ geom_density(fill="orange2")+stat_function(fun = dnorm,color="darkgreen",size=1.2, args = list(mean =moy, sd=sd))+theme_minimal()
g02 <- ggplot(df, aes(sample = trust_institution)) + stat_qq() + stat_qq_line()
grid.arrange(g01,g02,ncol=2)## Don't know how to automatically pick scale for object of type haven_labelled. Defaulting to continuous.
## Don't know how to automatically pick scale for object of type haven_labelled. Defaulting to continuous.
## Don't know how to automatically pick scale for object of type haven_labelled. Defaulting to continuous.
df<-df %>% na.omit()
fit<-fitdistr(df$trust_institution,"logistic")
g01b<- g01+stat_function(fun = dlogis ,color="red",size=1.2, args = list( location=31.87779105, scale=6.97141774))
g01b## Don't know how to automatically pick scale for object of type haven_labelled. Defaulting to continuous.
Pour aller plus loin on teste un mélange de deux distributions normales. L’ajustement semble meilleure, un quart de l’échantillon à une confiance bien plus forte que la majorité, ce qui explique le décalage à droite de la distribution primaire.Y-at-il segmentation de la population?
mixD <- normalmixEM(df$trust_institution,k=2,maxit=2000,epsilon=0.0001) # a réitirer ca marche pas toujours!## number of iterations= 288summary(mixD)## summary of normalmixEM object:
## comp 1 comp 2
## lambda 0.145844 0.854156
## mu 20.719172 49.096220
## sigma 10.146242 14.210815
## loglik at estimate: -44302.2#mais on ne respecte pas les proportions
#une fonction pour représenter les deux distributions
# ggplot mixture plot
gg.mixEM <- function(EM) {
require(ggplot2)
x <- with(EM,seq(min(x),max(x),len=1000))
pars <- with(EM,data.frame(comp=colnames(posterior), mu, sigma,lambda))
em.df <- data.frame(x=rep(x,each=nrow(pars)),pars)
em.df$y <- with(em.df,lambda*dnorm(x,mean=mu,sd=sigma))
ggplot(data.frame(x=EM$x),aes(x,y=..density..)) +
geom_density(fill=NA,color="black")+
geom_polygon(data=em.df,aes(x,y,fill=comp),color="grey50", alpha=0.5)+
scale_fill_discrete("Component\nMeans",labels=format(em.df$mu,digits=3))+
theme_bw()
}
gg.mixEM(mixD)
#la même mais en les superposant
gg.mixEMb <- function(EM) {
require(ggplot2)
x <- with(EM,seq(min(x),max(x),len=1000))
pars <- with(EM,data.frame(comp=colnames(posterior), mu, sigma,lambda))
em.df <- data.frame(x=rep(x,each=nrow(pars)),pars)
em.df$y <- with(em.df,lambda*dnorm(x,mean=mu,sd=sigma))
ggplot(data.frame(x=EM$x),aes(x,y=..density..)) +
geom_density(fill=NA,color="black")+
geom_bar(data=em.df,aes(x,y,fill=comp), alpha=0.5, stat="identity")+
scale_fill_discrete("Component\nMeans",labels=format(em.df$mu,digits=3))+
theme_bw()
}
gg.mixEMb(mixD)
Des variables explicatives
on recode les variable explicatives
df$Year[df$essround==3]<-2006
df$Year[df$essround==4]<-2008
df$Year[df$essround==5]<-2010
df$Year[df$essround==6]<-2012
df$Year[df$essround==7]<-2014
df$Year[df$essround==8]<-2016
df$Year<-as.factor(df$Year)
#ggplot(df,aes(x=lrscale))+geom_histogram()
df$OP[df$lrscale==0] <- "Extrême gauche"
df$OP[df$lrscale==1] <- "Gauche"
df$OP[df$lrscale==2] <- "Gauche"
df$OP[df$lrscale==3] <- "Centre Gauche"
df$OP[df$lrscale==4] <- "Centre Gauche"
df$OP[df$lrscale==5] <- "Ni G ni D"
df$OP[df$lrscale==6] <- "Centre Droit"
df$OP[df$lrscale==7] <- "Centre Droit"
df$OP[df$lrscale==8] <- "Droite"
df$OP[df$lrscale==9] <- "Droite"
df$OP[df$lrscale==10] <- "Extrême droite"
df$OP<-factor(df$OP,levels=c("Extrême droite","Droite","Centre Droit","Ni G ni D","Centre Gauche","Gauche","Extrême gauche"))
df%>% freq(OP)##
##
## **Frequency table of `OP` from `df` (10,447 x 15)**
##
## Class: factor (numeric)
## Length: 10,447 (of which NA: 0 = 0.00%)
## Levels: 7: Extrême droite, Droite, Centre Droit, Ni G ni D, Centre Gauche, Gau...
## Unique: 7
##
##
## | |Item | Count| Percent| Cum. Count| Cum. Percent|
## |:--|:--------------|-----:|-------:|----------:|------------:|
## |1 |Ni G ni D | 3,014| 28.9%| 3,014| 28.9%|
## |2 |Centre Gauche | 2,230| 21.3%| 5,244| 50.2%|
## |3 |Centre Droit | 1,954| 18.7%| 7,198| 68.9%|
## |4 |Droite | 1,162| 11.1%| 8,360| 80.0%|
## |5 |Gauche | 1,091| 10.4%| 9,451| 90.5%|
## |6 |Extrême gauche | 574| 5.5%| 10,025| 96.0%|
## |7 |Extrême droite | 422| 4.0%| 10,447| 100.0%|df$rev<-df$hincfel
df$rev[df$hincfel>4] <- NA
df$revenu[df$hincfel>4] <- NA
df$revenu[df$hincfel==1] <- "Vie confortable"
df$revenu[df$hincfel==2] <- "Se débrouille avec son revenu"
df$revenu[df$hincfel==3] <- "Revenu insuffisant"
df$revenu[df$hincfel==4] <- "Revenu très insuffisant"
df$revenu<-factor(df$revenu,levels=c("Vie confortable","Se débrouille avec son revenu","Revenu insuffisant","Revenu très insuffisant"))
df%>% freq(revenu)##
##
## **Frequency table of `revenu` from `df` (10,447 x 17)**
##
## Class: factor (numeric)
## Length: 10,447 (of which NA: 0 = 0.00%)
## Levels: 4: Vie confortable, Se débrouille avec son revenu, Revenu insuffisant,...
## Unique: 4
##
##
## | |Item | Count| Percent| Cum. Count| Cum. Percent|
## |:--|:-----------------------------|-----:|-------:|----------:|------------:|
## |1 |Se débrouille avec son revenu | 5,349| 51.2%| 5,349| 51.2%|
## |2 |Vie confortable | 3,297| 31.6%| 8,646| 82.8%|
## |3 |Revenu insuffisant | 1,577| 15.1%| 10,223| 97.9%|
## |4 |Revenu très insuffisant | 224| 2.1%| 10,447| 100.0%|df$habitat[df$domicil==1]<- "A big city"
df$habitat[df$domicil==2]<-"Suburbs of big city"
df$habitat[df$domicil==3]<-"Town or small city"
df$habitat[df$domicil==4]<-"Country village"
df$habitat[df$domicil==5]<-"Farm or home in countryside"
df$habitat<-factor(df$habitat,levels=c("A big city","Suburbs of big city","Town or small city","Country village","Farm or home in countryside"))
df %>% freq(habitat)##
##
## **Frequency table of `habitat` from `df` (10,447 x 18)**
##
## Class: factor (numeric)
## Length: 10,447 (of which NA: 0 = 0.00%)
## Levels: 5: A big city, Suburbs of big city, Town or small city, Country villag...
## Unique: 5
##
##
## | |Item | Count| Percent| Cum. Count| Cum. Percent|
## |:--|:---------------------------|-----:|-------:|----------:|------------:|
## |1 |Town or small city | 3,350| 32.1%| 3,350| 32.1%|
## |2 |Country village | 3,120| 29.9%| 6,470| 61.9%|
## |3 |A big city | 2,089| 20.0%| 8,559| 81.9%|
## |4 |Suburbs of big city | 1,258| 12.0%| 9,817| 94.0%|
## |5 |Farm or home in countryside | 630| 6.0%| 10,447| 100.0%|Analyse des données
On examine d’abord graphiquement l’évolution de la confiance institutionnelle en fonction de nos trois variables : revenu, habitat et convictions politiques. On contrôle ensuite les interprétation en considérant l’évolution des populations étudiées. On teste ensuite par des analyses de variance en retenant des critère de f de cohen et de puissance de test pour compléter les indicateurs habituels pour profiter de la taille substantielle de notre set de données.
L’effet du pouvoir d’achat perçu
dg<-df %>% group_by(revenu,Year) %>% summarise(trust_institution=mean(trust_institution,na.rm=TRUE))%>% na.omit()
g1<-ggplot(dg,aes(x=Year,y=trust_institution,group=revenu))+geom_line(aes(color=revenu), size=2)+scale_color_fish(option = "Hypsypops_rubicundus", discrete = TRUE)+theme_minimal()+ylim(30,60)
g1
On notera une relative stabilité de la répartition des catégories de pouvoir d’achat. L’évolution est légèrement favorable pour les vies confortables. La part des revenu insuffisant et très insuffisant passe de 16% à presque 19%. ce qui se débrouillent sont moins nombreux, ils ont sans doute glissé du côté des plus nécessiteux.
TabEv <- with(df, table(revenu,Year)) %>% prop.table(margin = 2) #création de la page en tidy
TabEv %>% kable(digit=2,format = "html", caption = "Evolution de la répartition des niveaux de vie") %>% kable_styling(bootstrap_options = c("striped", "hover"),full_width =T,font_size = 10) # édition de la table avec kable| 2006 | 2008 | 2010 | 2012 | 2014 | 2016 | |
|---|---|---|---|---|---|---|
| Vie confortable | 0.29 | 0.34 | 0.31 | 0.29 | 0.33 | 0.32 |
| Se débrouille avec son revenu | 0.54 | 0.51 | 0.52 | 0.53 | 0.47 | 0.50 |
| Revenu insuffisant | 0.14 | 0.13 | 0.15 | 0.16 | 0.17 | 0.15 |
| Revenu très insuffisant | 0.02 | 0.02 | 0.02 | 0.02 | 0.02 | 0.03 |
AnovaModel.2<- lm(trust_institution ~ revenu+Year+Year*revenu, data=df)
sstable <-anova_stats(AnovaModel.2)
#sstable <- Anova(AnovaModel.2, type = 3)
kable(sstable,digit=3,format = "html", caption = "Analyse de variance - full interaction") %>% kable_styling(bootstrap_options = c("striped", "hover"),full_width =FALSE,font_size = 10)%>%
group_rows("Effets principaux", 1, 2) %>%
group_rows("Interactions ordre 2", 3,3)| term | df | sumsq | meansq | statistic | p.value | etasq | partial.etasq | omegasq | partial.omegasq | cohens.f | power |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Effets principaux | |||||||||||
| revenu | 3 | 94143.048 | 31381.016 | 112.813 | 0.000 | 0.031 | 0.031 | 0.031 | 0.031 | 0.180 | 1.000 |
| Year | 5 | 10192.863 | 2038.573 | 7.329 | 0.000 | 0.003 | 0.004 | 0.003 | 0.003 | 0.059 | 0.999 |
| Interactions ordre 2 | |||||||||||
| revenu:Year | 15 | 3123.043 | 208.203 | 0.748 | 0.736 | 0.001 | 0.001 | 0.000 | 0.000 | 0.033 | 0.517 |
| Residuals | 10423 | 2899358.356 | 278.169 | NA | NA | NA | NA | NA | NA | NA | NA |
Effet de l’habitat
dg<-df %>% group_by(habitat,Year) %>% summarise(trust_institution=mean(trust_institution,na.rm=TRUE))%>% na.omit()
ggplot(dg,aes(x=Year,y=trust_institution,group=habitat))+geom_line(aes(color=habitat), size=2)+scale_color_fish(option = "Hypsypops_rubicundus", discrete = TRUE)+theme_minimal()+ylim(30,60)
stabilité
TabEv <- with(df, table(habitat,Year)) %>% prop.table(margin = 2) #création de la page en tidy
TabEv %>% kable(digit=2,format = "html", caption = "Evolution de la répartition des habitats") %>% kable_styling(bootstrap_options = c("striped", "hover"),full_width =T,font_size = 10) # édition de la table avec kable| 2006 | 2008 | 2010 | 2012 | 2014 | 2016 | |
|---|---|---|---|---|---|---|
| A big city | 0.19 | 0.18 | 0.19 | 0.19 | 0.29 | 0.16 |
| Suburbs of big city | 0.12 | 0.13 | 0.11 | 0.12 | 0.12 | 0.12 |
| Town or small city | 0.34 | 0.35 | 0.26 | 0.31 | 0.29 | 0.36 |
| Country village | 0.30 | 0.29 | 0.35 | 0.32 | 0.23 | 0.30 |
| Farm or home in countryside | 0.05 | 0.05 | 0.08 | 0.06 | 0.06 | 0.06 |
AnovaModel.2<- lm(trust_institution ~ habitat+Year+Year*habitat, data=df)
sstable <-anova_stats(AnovaModel.2)
#sstable <- Anova(AnovaModel.2, type = 3)
kable(sstable,digit=3,format = "html", caption = "Analyse de variance - full interaction") %>% kable_styling(bootstrap_options = c("striped", "hover"),full_width =FALSE,font_size = 10)%>%
group_rows("Effets principaux", 1, 2) %>%
group_rows("Interactions ordre 2", 3,4)| term | df | sumsq | meansq | statistic | p.value | etasq | partial.etasq | omegasq | partial.omegasq | cohens.f | power |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Effets principaux | |||||||||||
| habitat | 4 | 27920.15 | 6980.038 | 24.609 | 0.000 | 0.009 | 0.009 | 0.009 | 0.009 | 0.097 | 1.000 |
| Year | 5 | 12023.68 | 2404.736 | 8.478 | 0.000 | 0.004 | 0.004 | 0.004 | 0.004 | 0.064 | 1.000 |
| Interactions ordre 2 | |||||||||||
| habitat:Year | 20 | 12225.10 | 611.255 | 2.155 | 0.002 | 0.004 | 0.004 | 0.002 | 0.002 | 0.064 | 0.994 |
| Residuals | 10417 | 2954648.38 | 283.637 | NA | NA | NA | NA | NA | NA | NA | NA |
Effet de l’orientation politique
dg<-df %>% group_by(OP,Year) %>% summarise(trust_institution=mean(trust_institution,na.rm=TRUE))%>% na.omit()
ggplot(dg,aes(x=Year,y=trust_institution,group=OP))+geom_line(aes(color=OP), size=2)+scale_color_fish(option = "Hypsypops_rubicundus", discrete = TRUE)+theme_minimal()+ylim(30,60)
Il semble qu’il y aie une nette droitisation de l’opinion.
TabEv <- with(df, table(OP,Year)) %>% prop.table(margin = 2) #création de la page en tidy
TabEv %>% kable(digit=2,format = "html", caption = "Evolution de la répartition des orientations politiques") %>% kable_styling(bootstrap_options = c("striped", "hover"),full_width =T,font_size = 10) # édition de la table avec kable| 2006 | 2008 | 2010 | 2012 | 2014 | 2016 | |
|---|---|---|---|---|---|---|
| Extrême droite | 0.04 | 0.02 | 0.03 | 0.05 | 0.05 | 0.05 |
| Droite | 0.09 | 0.11 | 0.08 | 0.13 | 0.12 | 0.12 |
| Centre Droit | 0.18 | 0.20 | 0.18 | 0.17 | 0.19 | 0.20 |
| Ni G ni D | 0.30 | 0.28 | 0.31 | 0.28 | 0.27 | 0.29 |
| Centre Gauche | 0.22 | 0.22 | 0.24 | 0.20 | 0.22 | 0.19 |
| Gauche | 0.11 | 0.11 | 0.10 | 0.10 | 0.10 | 0.10 |
| Extrême gauche | 0.05 | 0.05 | 0.07 | 0.07 | 0.05 | 0.05 |
AnovaModel.2<- lm(trust_institution ~ OP+Year+Year*OP, data=df)
sstable <-anova_stats(AnovaModel.2)
#sstable <- Anova(AnovaModel.2, type = 3)
kable(sstable,digit=3,format = "html", caption = "Analyse de variance - Orientation Politique") %>% kable_styling(bootstrap_options = c("striped", "hover"),full_width =FALSE,font_size = 10)%>%
group_rows("Effets principaux", 1, 2) %>%
group_rows("Interactions ordre 2", 3,4)| term | df | sumsq | meansq | statistic | p.value | etasq | partial.etasq | omegasq | partial.omegasq | cohens.f | power |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Effets principaux | |||||||||||
| OP | 6 | 67338.05 | 11223.008 | 40.438 | 0 | 0.022 | 0.023 | 0.022 | 0.022 | 0.153 | 1 |
| Year | 5 | 11031.13 | 2206.226 | 7.949 | 0 | 0.004 | 0.004 | 0.003 | 0.003 | 0.062 | 1 |
| Interactions ordre 2 | |||||||||||
| OP:Year | 30 | 40698.18 | 1356.606 | 4.888 | 0 | 0.014 | 0.014 | 0.011 | 0.011 | 0.119 | 1 |
| Residuals | 10405 | 2887749.95 | 277.535 | NA | NA | NA | NA | NA | NA | NA | NA |
Des modèles plus sophistiqués
Il s’agit maintenant de prendre en compte l’ensemble des facteurs .
Un simple modèle linéaire
On commence par un modèle linaire, une ANOVA multiple en fait dont les résultats principaux sont donnés dans le tableau suivant. Le revenu excerce un effet relativement fort, suivi par l’idéologie. l’effet de l’environnement de vie et de la tendance sont moins convaincant même si significatifs.
reg<- lm(trust_institution ~ rev+OP+habitat+Year, data=df)
sstable <-anova_stats(reg)
#sstable <- Anova(AnovaModel.2, type = 3)
kable(sstable,digit=3,format = "html", caption = "Analyse de variance - full interaction") %>% kable_styling(bootstrap_options = c("striped", "hover"),full_width =FALSE,font_size = 10)%>%
group_rows("Effets principaux", 1, 4)| term | df | sumsq | meansq | statistic | p.value | etasq | partial.etasq | omegasq | partial.omegasq | cohens.f | power |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Effets principaux | |||||||||||
| rev | 1 | 92378.30 | 92378.298 | 341.007 | 0 | 0.031 | 0.032 | 0.031 | 0.032 | 0.181 | 1 |
| OP | 6 | 51498.24 | 8583.040 | 31.684 | 0 | 0.017 | 0.018 | 0.017 | 0.017 | 0.135 | 1 |
| habitat | 4 | 26342.49 | 6585.622 | 24.310 | 0 | 0.009 | 0.009 | 0.008 | 0.009 | 0.097 | 1 |
| Year | 5 | 11125.29 | 2225.058 | 8.214 | 0 | 0.004 | 0.004 | 0.003 | 0.003 | 0.063 | 1 |
| Residuals | 10430 | 2825473.00 | 270.899 | NA | NA | NA | NA | NA | NA | NA | NA |
Une évaluation de l’importance des paramètres et des effets avec jtools.
plot_summs(reg,scale = FALSE)
D’autres variantes
Et deux modèles linéaires mixtes dont l’élément aléatoire est l’année. Le second comprenant un terme d’interaction
reg1<- lmer(trust_institution ~ rev+OP+habitat +(1 | Year), data=df)
reg2<- lmer(trust_institution ~ rev+OP*habitat+( 1| Year), data=df)
plot_summs(reg1, reg2, scale = FALSE)
Le détail des résultats
library(stargazer)##
## Please cite as:## Hlavac, Marek (2018). stargazer: Well-Formatted Regression and Summary Statistics Tables.## R package version 5.2.2. https://CRAN.R-project.org/package=stargazerstargazer(reg, reg1, reg2, type="text")##
## ======================================================================================================
## Dependent variable:
## --------------------------------------------------
## trust_institution
## OLS linear
## mixed-effects
## (1) (2) (3)
## ------------------------------------------------------------------------------------------------------
## rev -3.678*** -3.681*** -3.698***
## (0.222) (0.222) (0.222)
##
## OPDroite 4.585*** 4.600*** 2.397
## (0.937) (0.936) (2.302)
##
## OPCentre Droit 5.540*** 5.554*** 4.340**
## (0.886) (0.885) (2.201)
##
## OPNi G ni D 1.516* 1.532* 1.360
## (0.858) (0.857) (2.147)
##
## OPCentre Gauche 4.625*** 4.641*** 4.322**
## (0.877) (0.876) (2.158)
##
## OPGauche 2.272** 2.294** 2.618
## (0.947) (0.946) (2.263)
##
## OPExtrême gauche -2.842*** -2.817*** -6.684***
## (1.059) (1.058) (2.460)
##
## habitatSuburbs of big city -1.124* -1.108* 1.829
## (0.588) (0.588) (3.202)
##
## habitatTown or small city -2.863*** -2.845*** -4.574*
## (0.462) (0.461) (2.490)
##
## habitatCountry village -4.343*** -4.326*** -6.248**
## (0.469) (0.469) (2.428)
##
## habitatFarm or home in countryside -4.059*** -4.053*** -2.418
## (0.750) (0.750) (3.543)
##
## Year2008 1.022*
## (0.550)
##
## Year2010 -0.984*
## (0.575)
##
## Year2012 0.308
## (0.555)
##
## Year2014 -1.883***
## (0.562)
##
## Year2016 -1.467***
## (0.550)
##
## OPDroite:habitatSuburbs of big city -2.615
## (3.676)
##
## OPCentre Droit:habitatSuburbs of big city -2.546
## (3.478)
##
## OPNi G ni D:habitatSuburbs of big city -2.327
## (3.400)
##
## OPCentre Gauche:habitatSuburbs of big city -4.789
## (3.427)
##
## OPGauche:habitatSuburbs of big city -6.316*
## (3.629)
##
## OPExtrême gauche:habitatSuburbs of big city 4.260
## (3.988)
##
## OPDroite:habitatTown or small city 3.805
## (2.856)
##
## OPCentre Droit:habitatTown or small city 2.051
## (2.717)
##
## OPNi G ni D:habitatTown or small city 0.259
## (2.641)
##
## OPCentre Gauche:habitatTown or small city 2.216
## (2.667)
##
## OPGauche:habitatTown or small city 0.468
## (2.826)
##
## OPExtrême gauche:habitatTown or small city 5.677*
## (3.116)
##
## OPDroite:habitatCountry village 3.992
## (2.795)
##
## OPCentre Droit:habitatCountry village 2.767
## (2.658)
##
## OPNi G ni D:habitatCountry village 1.632
## (2.585)
##
## OPCentre Gauche:habitatCountry village 0.199
## (2.629)
##
## OPGauche:habitatCountry village 1.313
## (2.808)
##
## OPExtrême gauche:habitatCountry village 4.773
## (3.094)
##
## OPDroite:habitatFarm or home in countryside -0.381
## (4.167)
##
## OPCentre Droit:habitatFarm or home in countryside -1.417
## (3.946)
##
## OPNi G ni D:habitatFarm or home in countryside -3.234
## (3.799)
##
## OPCentre Gauche:habitatFarm or home in countryside -0.471
## (3.924)
##
## OPGauche:habitatFarm or home in countryside -3.715
## (4.290)
##
## OPExtrême gauche:habitatFarm or home in countryside 1.970
## (4.765)
##
## Constant 51.887*** 51.366*** 52.181***
## (1.030) (1.056) (2.110)
##
## ------------------------------------------------------------------------------------------------------
## Observations 10,447 10,447 10,447
## R2 0.060
## Adjusted R2 0.059
## Log Likelihood -44,082.190 -44,027.920
## Akaike Inf. Crit. 88,192.380 88,131.830
## Bayesian Inf. Crit. 88,293.930 88,407.490
## Residual Std. Error 16.459 (df = 10430)
## F Statistic 41.839*** (df = 16; 10430)
## ======================================================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01En guise de conclusion
Une hypothèse de travail qu’il faut tester : le caractère unidimensionnel de la confiance institutionnelle. On verra dans une autre étude que ce n’est pas tout à fait le cas.
Des faits solides qu’on peut retenir * l’effet puissant des conditions de vie * le virage désinstitutionnel de la droite * le glissement à droite
ce qui appele des analyses compléméentaire - la relation revenu politique habitat ( AFM)